[发明专利]一种基于稀疏投影学习的微表情识别方法

摘要

本发明公开了一种基于稀疏投影学习的微表情识别方法，步骤1：采集微表情样本，提取微表情三个正交平面的LBP特征P、Q、R，定义C、D、E分别为XY、XT、YT三个正交平面的特征优化变量；构造优化模型；步骤2：设置迭代计数变量t和n的初始值和最大值；初始化正则化参数κ，κmax，尺度参数ρ；步骤3：初始化n，κ，计算C，更新T1和κ；若||B1‑CT||∞＜10‑8收敛或n＞nmax，进入步骤4；步骤4：初始化n，κ，计算D，更新T2和κ；若||B2‑DT||∞＜10‑8收敛或n＞nmax，进入步骤5；步骤5：初始化n，κ，计算E，更新T3和κ；若||B3‑ET||∞＜10‑8收敛或n＞nmax，进入步骤6；步骤6：令t＝t+1，若t≤tmax，则返回步骤3，否则，输出C、D、E；步骤7：通过优化变量C、D、E对三个正交平面的LBP特征优化得到新的融合特征Ftest，将融合特征Ftest通过训练好的SVM分类器预测出测试样本的情感类别。

主权项

1.一种基于稀疏投影学习的微表情识别方法，其特征在于，包括如下步骤：步骤1：采集微表情样本，根据每个样本的标签信息构造情感标签矩阵K是样本情感类别，M是样本个数；提取微表情三个正交平面的LBP特征P、Q、R，定义C、D、E分别为XY、XT、YT三个正交平面的特征优化变量；构造优化模型；步骤2：设置迭代次数计数变量t和n的初始值，迭代次数计数变量的最大值tmax，nmax；初始化正则化参数κ，κmax，尺度参数ρ；步骤3：a)初始化n，κ，b)计算C，更新T₁和κ，设是一个辅助变量；c)若||B1‑CT||∞＜10‑8收敛或n＞nmax，进入步骤4；若不收敛，则令n＝n+1，返回b)；步骤4：a)初始化n，κ，b)计算D，更新T₂和κ，设是一个辅助变量；c)若||B2‑DT||∞＜10‑8收敛或n＞nmax，进入步骤5；若不收敛，则令n＝n+1，返回b)；步骤5：a)初始化n，κ，b)计算E，更新T₃和κ，设是一个辅助变量；c)若||B3‑ET||∞＜10‑8收敛或n＞nmax，进入步骤6；若不收敛，则令n＝n+1，返回b)；步骤6：令t＝t+1，若t≤tmax，则返回步骤3；若t＞tmax，则输出C、D、E；步骤7：通过优化变量C、D、E对三个正交平面的LBP特征P、Q和R优化得到新的融合特征Ftest＝[CP DQ ER]T，将测试集融合特征Ftest通过训练好的SVM分类器预测出测试样本的情感类别。